如何在R中改进这种回归神经网络模型并增加精度作为指标？

Question

我正在从插入包中尝试神经网络。在我目前的项目中，我想创建一个可以解决连续函数的神经网络。我在这里解决这个等式$ y = \ frac {sin（x ^ {2}）} {2 x} $。除了一个警告之外，我对等式及其工作正常编码。

library(caret)
equ<-function(x){
  v=sin(x^2)/2*x  
  return(v)
}

X=(1:50)
Y=equ(X)
I=cbind(X,Y)
I=data.frame(I)

ctrl <- trainControl(method = "cv",number=10, verboseIter = TRUE, savePred=T)
model <- train(Y~X, data=I, method ="nnet", trControl = ctrl,verbose = TRUE)

print(model)

现在我该怎么做才能进一步改进这种神经网络模型？目前，在训练之后，模型会返回RMSE中的指标。我知道使用回归RMSE并且使用二进制分类精度。但对我而言，RMSE最大的问题在于它告诉我我的模型有多好。例如，RMSE 0.0001表示什么都没有，除非我将其与其他型号RMSE进行比较。但是准确性给出了绝对的想法，我们的模型有多好，例如93％。有没有办法为我的模型增加准确性？